Resumen

La detección de buques en imágenes de radar de apertura sintética (SAR) tiene muchas aplicaciones valiosas tanto en el ámbito civil como en el militar y ha recibido una atención extraordinaria en los últimos años. Los métodos de detección tradicionales son insensibles a los buques multiescala y suelen requerir mucho tiempo, lo que se traduce en una baja precisión de detección y limitaciones para el procesamiento en tiempo real. Para equilibrar la precisión y la velocidad, en este artículo se propone un método integral de detección de barcos para escenas complejas costeras y de alta mar basado en redes neuronales convolucionales profundas (CNN). En primer lugar, las imágenes SAR se dividen en diferentes cuadrículas, y las cajas de anclaje se predefinen basándose en las cuadrículas responsables para la predicción densa de buques. A continuación, se adopta Darknet-53 con unidades residuales como columna vertebral para extraer características, y se añade una estructura piramidal descendente para la fusión de características multiescala con concatenación. De este modo, se extraen abundantes características jerárquicas que contienen información espacial y semántica. Para mejorar el rendimiento, se utilizan estrategias como la supresión suave no máxima (Soft-NMS), la mezcla y el aumento de datos en mosaico, el entrenamiento multiescala y la optimización híbrida. Además, el modelo se entrena desde cero para evitar el sesgo del objetivo de aprendizaje del preentrenamiento. El método de una etapa propuesto adopta la inferencia de extremo a extremo mediante una única red, por lo que la velocidad de detección puede garantizarse gracias al paradigma conciso. Se han realizado experimentos exhaustivos con el conjunto de datos público de detección de buques SAR (SSDD), y los resultados muestran que el método puede detectar buques tanto costeros como de alta mar con mayor precisión que otros métodos convencionales, obteniendo una precisión media del 95,52%, y la velocidad de detección es bastante rápida, con unos 72 fotogramas por segundo (FPS). Los datos reales de Sentinel-1 y Gaofen-3 se utilizan para la verificación, y los resultados de detección también muestran la eficacia y solidez del método.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:velocidad de detección, redes neuronales convolucionales profundas, método de detección de buques extremos, conjunto de datos público de detección de buques sar, abundantes características jerárquicas, predicción densa de buques, baja precisión de detección, muchas aplicaciones valiosas, aumento de datos en mosaico, fusión de características multiescala.
• Keywords:detection speed, deep convolutional neural networks, end ship detection method, public sar ship detection dataset, abundant hierarchical features, dense ship prediction, low detection accuracy, many valuable applications, mosaic data augmentation, multiscale feature fusion